Методы обнаружения и обработки малоамплитудных составляющих электрокардиосигнала портативных кардиомониторов

• Автор: Хомяков, Антон Вадимович
• Шифр специальности: 05.12.04
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Казань
• Количество страниц: 144 с. : ил.

Содержание
Перечень сокращений и условных обозначений
Введение
Глава 1. Обработка электрокардиосигнала в современных кардиомониторах
1.1. Отображение электрических явлений в сердце на электрокардиограмме
1.2. Диагностика заболеваний сердца с помощью анализа ЭКС
1.2.1. Информативные признаки наличия аритмий на ЭКС
1.2.2. Функциональные особенности построения кардиомониторов
1.3. Анализ малоамлитудных составляющих при автоматической обработке электрокардиосигнала
1.3.1. Вариабельность формы и параметров Р-зубца электрокардиосигнала при заболеваниях сердца
1.3.2. Методы автоматической обработки электрокардиосигнала в портативных кардиомониторах
1.4. Постановка и формализация задачи исследования
Глава 2. Разработка и реализация метода обнаружения-различения малоамплитудных составляющих ЭКС
2.1. Построение моделей Р-зубца на основе полиномиальной аппроксимации40
2.2. Обнаружение слабых сигналов на фоне помех
2.2.1. Выбор критерия принятия решения о наличии сигнала
2.2.2. Предварительная классификация и выбор точек синхронизации на основе корреляционного метода
2.3. Основные результаты и краткие выводы
Глава 3. Разработка и реализация метода различения малоамплитудных составляющих ЭКС по параметрам спектра
3.1. Построение спектра предсердных потенциалов
3.1.1. Спектральное представление сигналов
3.1.2. Выбор длительности и типа оконной функции
3.2. Различение сигналов с применением статистического анализа экспериментальных данных

3.2.1. Техника проведения КОС-анализа для оценки достоверности различения сигналов
3.2.2. Анализ экспериментальных данных для расчета порогов принятия решения
3.3. Основные результаты и краткие выводы
Глава 4. Применение разработанных методов для прогнозирования эпизодов фибрилляции предсердий
4.1. Разработка критерия прогнозирования эпизодов ФП
4.2. Реализация алгоритма прогнозирования эпизодов ФП
4.3. Основные результаты и краткие выводы
Заключение
Список использованных источников
Приложение А. Листинг подпрограммы обнаружения-различения Р-зубца на

Приложение Б. Листинг подпрограммы предварительной классификации по
форме Р-зубца
Приложение В. Листинг подпрограммы определения точек синхронизации
корреляционным методом
Приложение Г. Листинг подпрограммы ЫОС-анализа массива данных
Приложение Д. Копии актов внедрения результатов исследования
Приложение Е. Копии патента РФ и свидетельств о регистрации программ. 136 Приложение Ж. Копии решений о выдаче патента РФ на полезную модель

Перечень сокращений и условных обозначений
Сокращения
АА - автоматический анализ

БМС - биомедицинские сигналы
БПФ - быстрое преобразование Фурье

ДПФ - дискретное преобразование Фурье
ДЧ - доминирующая частота
КМ - кардиомонитор
МНК - метод наименьших квадратов
МП - микропроцессор

ПКМ - портативный кардиомонитор
ПЭС - постоянная электрическая составляющая
СКО - среднее квадратическое отклонение
ССЗ - сердечно-сосудистые заболевания
ФП - фибрилляция предсердий
ХНЗ - хронические неинфекционные заболевания
ЧСС - число сердечных сокращений
ЭДС - электродвижущая сила
ЭКГ - электрокардиограмма
ЭКГ ВР - электрокардиография высокого разрешения
ЭКС - электрокардиосигнал
AUC - Area Under Curve (площадь под кривой)
FDR - False Detection Rate (ошибка обнаружения)
FN - False Negative (ошибочно отрицательный - пропуск сигнала)
FP - False Positive (ошибочно положительный - ложная тревога)

электрокардиографии высокого разрешения (ЭКГ ВР), которая включает обе из названных техник. Анализу поздних потенциалов желудочков и их характеристик было посвящено много исследований [56, 114, 126, 127], и лишь редкие авторы говорят о важности анализа поздних потенциалов предсердий и их параметров [18, 90, 100]. Главная сложность, с которой встречаются исследователи - это вариабельность Г-зубца и различия в сделанных измерениях, основанных на разных методах.
Некоторые авторы пытаются решить эти проблемы, используя достаточно сложные методы. Так, Herr er os и др. [107] предлагает включить кластерный анализ, когда каждая точка Г-зубца описывается вектором, включающим текущую и шесть предыдущих значений ЭКС. Набор этих векторов образует пространство признаков конечной размерности - кластер. Каждый кластер характеризуется своим «центроидом», точкой, минимизирующей сумму расстояний до всех остальных точек кластера. Вычисление и минимизация «центроида» может быть признаком для морфологической классификации.
Szilagyi и др. [131] предлагает локальный спектральный анализ на основе фильтра Калмана. В начале с помощью вейвлет-преобразования обнаруживают (9ГГ-комплекс и другие участки ЭКГ, включая Г-зубец. Затем используя фильтр Калмана анализируется спектр сигнала. Смещение пика от несущей частоты порождающей функции является свидетельством наличия аритмии. В статьях Censi и др. [92, 93, 94] показано, что выравнивание с последующим усреднением Г-зубца в значительной степени влияет на качество анализа во временной области и измерение параметров формы.
Г-зубец является важным фрагментом на ЭКС, который может быть использован для обнаружения различных аритмий. Наиболее часто используется анализ Г-зубца во временной области, однако он не может дать достаточного количества информации в условиях экспресс-диагностики из-за ошибок измерения, возникающих по причине небольшой амплитуды сигнала, которая зачастую сравнима с уровнем шумов на ЭКГ. Кроме того, это затрудняет применение таких стандартных методов обнаружения и